/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY 4.0
Архитектура
vits · dense
Базовая модель
bam-vits
Библиотека
transformers
Опубликована
18 авг 2026

bam-vits-fintech

Генерация аудиоТекст → аудио3 профессии

Экспериментальная адаптация VITS синтезирует речь на бамбара по текстам о финансах и финтехе.

20скачиваний за 30 дней0лайковвеса обновлены4 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

RobotsMali-AI разработала RobotsMali/bam-vits-fintech как доменную адаптацию VITS для синтеза речи на бамбара по финансовым и финтех-текстам. Это модель с 3,5 млн параметров, архитектурой VITS и декодером формы волны в стиле HiFi-GAN; опубликована для инференса через Transformers. На вход подаётся текст в обычной орфографии бамбара в нижнем регистре, на выходе — речь с частотой 22,05 кГц. Модель обучалась как одноголосая, хотя конфигурация сохраняет таблицу на 20 говорящих; при инференсе для соответствия обучению следует не задавать speaker_id.

Адаптация продолжала обучение базовой RobotsMali/bam-vits на 750 обучающих примерах FinBamSpeech — записях 800 предложений о финансах, банковском деле и финансовых технологиях. Авторы отмечают, что обучение было существенно недостаточным, а объективная и человеческая оценка качества отсутствует. Модель предназначена для исследовательских экспериментов с малоресурсным синтезом речи и качественно не подтверждена даже для финансовых терминов. Она распространяется по лицензии CC BY 4.0.

Сценарии применения

  • Синтез речи на бамбара по финансовым текстам
  • Создание аудиоверсий коротких текстов о банковских услугах
  • Качественные эксперименты с синтезом терминов финтеха на бамбара

Ограничения

Модель существенно недообучена и не имеет объективной или человеческой оценки; качество произношения, чисел и финансовых терминов не подтверждено. Узкие и малые обучающие данные могут приводить к шуму, плохой просодии, ошибкам на разговорной или выходящей за домен речи и запоминанию данных; модель не предназначена для производственных банковских систем или передачи финансовой информации.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bambara VITS — FinTech adaptation

RobotsMali/bam-vits-fintech continues training RobotsMali/bam-vits on RobotsMali/finBamSpeech, a higher-quality single-speaker corpus of 800 read Bambara sentences about finance, banking, and financial technology.

Research checkpoint — substantially undertrained. The already undertrained base received only 150 additional epochs (750 training examples, batch size 80). This is still far below the hundreds of thousands of optimizer steps commonly used for VITS; approximately 200,000 steps is our reference budget. No objective or human evaluation is available.

Model details

  • Architecture: VITS with a HiFi-GAN-style waveform decoder
  • Checkpoint: inference-only transformers.VitsModel; discriminator removed
  • Input: lowercased plain Bambara orthography
  • Audio: 22,050 Hz
  • Training sequence: English VCTK checkpoint → afvoices-notag base → finBamSpeech domain adaptation
  • Code: RobotsMali-AI/vits-bam, adapted from ylacombe/finetune-hf-vits

Usage

import soundfile as sf
import torch
from transformers import AutoTokenizer, VitsModel

repo_id = "RobotsMali/bam-vits-fintech"
text = "Juru sarali waati sera."
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = VitsModel.from_pretrained(repo_id)
inputs = tokenizer(text.lower(), return_tensors="pt")

with torch.no_grad():
    # Single-speaker adaptation omitted speaker conditioning during training.
    waveform = model(**inputs).waveform[0]

sf.write("fintech-bambara.wav", waveform.cpu().numpy(), model.config.sampling_rate)

Why num_speakers is still 20

The configuration retains the base model's 20-speaker table because the training script deliberately does not resize or reinitialize speaker embeddings when it detects exactly one target speaker. More importantly, preprocessing adds speaker_id only when more than one speaker is present. FinBamSpeech batches therefore used speaker_id=None, and VITS bypassed the embedding table during this adaptation.

The checkpoint was thus adapted as an effectively unconditioned single-speaker model while retaining multi-speaker architecture metadata. Its 20 embedding rows do not represent 20 FinTech-adapted voices. Direct inspection of the published checkpoint shows that the rows are not bit-identical, although their variance is small and they provide very similar conditioning. For inference that matches the training path, omit speaker_id as shown above.

Training data and procedure

The base checkpoint used 21,253 train and 1,128 test examples from the top 20 speakers in afvoices-notag, a noisy spontaneous-speech selection intended only for experimentation. This variant was then trained for 150 more epochs with per-device batch size 80 on FinBamSpeech's 750-train/50-test split. Its read, domain-specific recordings are higher quality than the base data, but 800 samples remain very small for VITS.

Text is lowercased plain Bambara; audio is processed at 22.05 kHz. The base hyperparameters and training code are documented in config/bam-vits.yaml.

Evaluation and comparison

No MOS, intelligibility, domain-term accuracy, speaker-similarity, or automated TTS metrics are reported. Domain adaptation should not be interpreted as proven improvement. In informal comparison, plain-orthography checkpoints often sounded slightly more natural than pseudo-IPA variants, with no remarkable pseudo-IPA improvement in convergence or quality.

Intended use, risks, and limitations

This model is for research on low-resource and domain-adapted Bambara TTS. It may be useful for qualitative experiments with finance-related text, but it is not validated for financial advice, customer communication, accessibility, or production banking systems. Never treat synthesized speech as accurate financial information.

Short training and narrow data can cause noise, poor prosody, incorrect numbers or financial terms, speaker leakage, memorization, and failures on conversational, code-switched, long, or out-of-domain text. No systematic safety, bias, privacy, or memorization testing was performed. Do not impersonate speakers or create deceptive audio; disclose that output is synthetic.

Related resources

Questions are welcome in the project repository or this model's Community tab.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
fdbe5b9

0 моделей